Universidad Austral de Chile

Facultad de Ciencias Económicas y Administrativas

Ingeniería Comercial
Econometría IECO133-14

Modelado del crecimiento económico de

Suecia mediante una función de producción
agregada para el período 1960 – 2019

Javiera Sandoval Vargas

 Introducción

Los modelos de regresión ayudan a establecer relaciones entre variables para averiguar si existe una relación de
causalidad entre ellas y, de existir, en que proporción la variable independiente afecta a la dependiente. De esta
forma, estas regresiones pueden utilizarse para modelar el crecimiento económico de un país, utilizando el
modelo de Keynes, Cobb-Douglas, Solow, entre otros.

El siguiente trabajo presenta la utilización del modelo de crecimiento económico de Cobb-Douglas para la
estimación del producto interno bruto de Suecia. Primero se mostrará una breve reseña del país, luego se
explicará la metodología y datos ocupados para la realización del modelo exponiendo sus resultados y se
terminará entregando una conclusión con respecto al modelo.
 Suecia

El reino de Suecia es un país escandinavo ubicado al norte de Europa que tiene por capital la ciudad de
Estocolmo y como idioma oficial el sueco. El sistema económico de Suecia es un sistema mixto, es decir,
combina una economía capitalista de libre mercado con amplios beneficios sociales representados en el Estado
de Bienestar sueco, el cual ha sido catalogado como el punto medio entre el sistema capitalista y el sistema
socialista. Dicho modelo, ha asegurado la posición del producto interno bruto del país entre los más altos del
mundo según el Fondo Monetario internacional, pero de igual forma, se encuentra dentro de los países en los que
sus habitantes pagan los impuestos más altos del mundo.
El PIB de Suecia se encuentra formado en su mayor parte por exportaciones de motores, vehículos, equipos de
telecomunicación, entre otros tipos de maquinarias representando cerca del 44% (National Foreign Assessment
Center (U.S.) & United States, 2020), el resto se encuentra repartido en su mayoría en la industria
manufacturera, siendo la madera, energía hidráulica y el hierro los elementos más importantes, además de la
industria automotriz y farmacéutica. De esta forma, Suecia ha sido catalogada por el Banco Mundial y el Fondo
Monetario Internacional como una economía avanzada.
En el ámbito laboral, el salario medio al 2018 fue de 43.629 euros anuales lo que a moneda nacional ronda la
cifra de los 32 millones de pesos al año (en Chile el salario medio al 2018 fue de alrededor 9 millones de pesos)
para lo cual es, necesario tener en consideración, que el nivel de desigualdad de la riqueza según el coeficiente
Gini ubica a Suecia en la posición número 14 con un 0.276 al año 2005.
Por otra parte, 5,3 millones de personas conforman la población activa del país que cuenta con una tasa de
desempleo del 6.7% al año 2017. El sector terciario emplea el 80,4% de la población activa mientras que el
sector industria emplea el 17,8% de la fuerza laboral y la agricultura solo un 1,8%.
Finalmente, los trabajadores suecos cuentan con una jornada legal de 40 horas semanales, se encuentran
altamente sindicalizados con un porcentaje aproximado del 80% y en términos de equidad salarial, Suecia se
encuentra entre los países con la menor brecha salarial entre mujeres y hombres (Larson & Weibull, 2020).
 Metodologías y Datos

El país a modelar será Suecia durante los años 1960 al 2019 con datos extraídos del Banco Mundial y contará
con las siguientes variables:
 Formación bruta de capital fijo en dólares americanos a precios actuales del cual se cuenta con datos
desde 1960 al 2018
 Población activa con datos desde 1990 al 2019
 Producto interno bruto en dólares americanos a precios actuales con datos desde 1960 al 2018

Mediante el programa GRETL se modelará utilizando la función de Cobb-Douglas para producir un modelo de
regresión lineal multivariante

En primer lugar, se realizó una tabla en Excel, con las variables antes mencionadas, la que fue abierta mediante
GRETL. Luego, se añadieron logaritmos a las variables para linealizar la relación funcional no lineal como lo es
la función de Cobb-Douglas, por lo que el modelo quedó de la siguiente manera:

GDPi =AKαL(1-α) ( Forma funcional no lineal)

GDPi =AKα * L(1-α) /* Log

Log (GDPi) = Log(A) + αLog(K) + (1-α) Log(L) (Forma funcional lineal)

Yi = β0 + β1X1 + β2X2 + ei (Modelo general)

Siendo los parámetros:

β0: Logaritmo de la productividad total de los factores (Log(A))
β1: Factor de distribución asociado al capital (α)
β2: Factor de distribución asociado al trabajo (1-α)

Al ser un modelo log-log sus coeficientes son las elasticidades y su interpretación sería la siguiente:
“Una variación del 1% en la variable independiente está asociada con una variación en la variable dependiente
de un β1%”(Stock & Watson, 2012)

De la cantidad de datos existentes, se extrajo como muestra las observaciones comprendidas entre los años 1990
y 2015 dejando 3 años restantes para comparar el modelo estimado con el real.
 Resultados

1. Estadística descriptiva de las variables a ser utilizadas (

Tabla 1: Estadísticos principales, usando las observaciones 1990 - 2015

para la variable l_Y (Producto Interno Bruto) (26 observaciones válidas)
Media Mediana Mínimo Máximo
26,583 26,461 26,076 27,094
Desv. Típica. C.V. Asimetría Exc. de curtosis
0,33733 0,012690 0,23788 -1,4816
Porc. 5% Porc. 95% Rango IQ Observaciones
ausentes
26,102 27,092 0,62823 0

Tabla 2: Estadísticos principales, usando las observaciones 1990 - 2015

para la variable l_K (Formación bruta de capital fijo) (26 observaciones válidas)
Media Mediana Mínimo Máximo
25,098 25,037 24,450 25,637
Desv. Típica. C.V. Asimetría Exc. de curtosis
0,37523 0,014950 0,048371 -1,3488
Porc. 5% Porc. 95% Rango IQ Observaciones
ausentes
24,477 25,628 0,71449 0

Tabla 3: Estadísticos principales, usando las observaciones 1990 - 2015

para la variable l_L (Población activa) (26 observaciones válidas)
Media Mediana Mínimo Máximo
15,370 15,355 15,322 15,461
Desv. Típica. C.V. Asimetría Exc. de curtosis
0,045457 0,0029574 0,65408 -0,95131
Porc. 5% Porc. 95% Rango IQ Observaciones
ausentes
15,322 15,458 0,076812 0
 2. Modelo inicial probado y modelo final estimado (en base al modelo log-log)

Tabla 4: Modelo MCO Lin-lin, usando las observaciones 1990-2015 (T = 26)

Variable dependiente: Y

Coeficiente Desv. Típica Estadístico t valor p

const 7,07475e+010 2,55016e+011 0,2774 0,7839
K 4,02683 0,421713 9,549 <0,0001 ***
L −8942,57 60797,0 −0,1471 0,8843

Media de la vble. dep. 3,71e+11 D.T. de la vble. dep. 1,27e+11

Suma de cuad. residuos 1,31e+22 D.T. de la regresión 2,38e+10
R-cuadrado 0,967659 R-cuadrado corregido 0,964846
F(2, 23) 344,0828 Valor p (de F) 7,28e-18
Log-verosimilitud −656,5484 Criterio de Akaike 1319,097
Criterio de Schwarz 1322,871 Crit. de Hannan-Quinn 1320,184
rho 0,555471 Durbin-Watson 0,432243

Al analizar este modelo, se observa que el valor p de los coeficientes individuales solo otorga significancia al
coeficiente que acompaña a la variable independiente K, es decir su coeficiente explica bastante el
comportamiento de la variable dependiente Y. Por el contrario, el coeficiente que acompaña a la variable
independiente L no presenta un valor significativo que explique el comportamiento de la variable dependiente Y.
Su significancia conjunta, representada por el F(2, 23) y el valor p de F, al ser un valor muy pequeño, indican
que poseen una alta significancia conjunta.

En cuanto a su R-cuadrado corregido, presenta un alto grado explicativo que al interpretarlo sería: “ la variable
de formación de capital fijo y la población activa explican un 94,5% de la varianza del producto interno bruto”.
 Tabla 5: Modelo 2 MCO Log-log, usando las observaciones 1990-2015 (T = 26)
Variable dependiente: l_Y

Coeficiente Desv. Típica Estadístico t valor p

const 0,790345 11,0094 0,07179 0,9434
l_K 0,842321 0,105515 7,983 <0,0001 ***
l_L 0,302630 0,871000 0,3475 0,7314

Media de la vble. dep. 26,58281 D.T. de la vble. dep. 0,337329

Suma de cuad. residuos 0,143184 D.T. de la regresión 0,078901
R-cuadrado 0,949667 R-cuadrado corregido 0,945291
F(2, 23) 216,9806 Valor p (de F) 1,18e-15
Log-verosimilitud 30,72996 Criterio de Akaike −55,45992
Criterio de Schwarz −51,68563 Crit. de Hannan-Quinn −54,37306
rho 0,573762 Durbin-Watson 0,342610

El modelo linealizado es bastante parecido al no lineal en cuanto a los valores significativos. En primer lugar, al
examinar la significancia individual de los coeficientes, el único que presenta un alto nivel significativo es el que
acompaña a la variable independiente logaritmo de la formación de capital fijo por lo que el coeficiente explica
bastante el comportamiento de la variable dependiente logaritmo del producto interno bruto. En contraste, el
coeficiente que acompaña a la variable independiente logaritmo de la población activa no aporta valor
explicativo en el comportamiento de la variable dependiente. Al analizar la significancia conjunta, el valor p del
estadístico F, al ser tan pequeño, indica que el conjunto de coeficientes es significativo.

Por otro lado, el valor del R-cuadrado corregido indica que las variables independientes de logaritmo de
formación de capital y logaritmo de población activa explican 94,5% de la varianza de la variable dependiente
logaritmo del producto interno bruto.

3. Análisis estadístico del residuo (en base al modelo log-log)

 Gráfico 1: Gráfico de residuos contra el tiempo

Al realizar el grafico de residuos es visible que los errores no presentan en su mayoría una distribución normal al
no estar en torno a la media que es igual a cero. Se observan que los datos entre 1990 y antes de 1992 se
encuentran demasiado lejos de la media pudiendo ser considerados outlayers.

Gráfico 2: Correlograma de los residuos

 Tabla 6: Información del correlograma

Función de autocorrelación de los residuos

***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
Utilizando desviación típica 1/T^0,5

RETARDO FAC FACP Estad-Q. [valor p]

1 0,5733 *** 0,5733 *** 9,5722 [0,002]

2 0,1202 -0,3107 10,0103 [0,007]
3 -0,1788 -0,1501 11,0227 [0,012]
4 -0,2580 -0,0372 13,2249 [0,010]
5 -0,2758 -0,1619 15,8612 [0,007]

El correlograma, para ser catalogado como normal, las barras rojas no debieran sobrepasar las líneas horizontales
azules lo que en este caso no se está cumpliendo. Las barras, al sobrepasar las líneas azules que son
representativas del intervalo de confianza, indican que existe cierto grado de correlación entre los residuos.

Gráfico 3: Periodograma de los residuos

Tabla 7: Información del periodograma de los residuos

Número de observaciones = 26
 omega frecuencia escalada periodos densidad espectral

0,24166 1 26,00 0,00044137

0,48332 2 13,00 0,0030813
0,72498 3 8,67 0,0045208
0,96664 4 6,50 0,00047581
1,20830 5 5,20 0,0013934
1,44997 6 4,33 0,00042428
1,69163 7 3,71 0,00034537
1,93329 8 3,25 6,8393e-05
2,17495 9 2,89 0,00014024
2,41661 10 2,60 0,00013213
2,65827 11 2,36 7,0707e-05
2,89993 12 2,17 0,00018379
3,14159 13 2,00 0,00023339

El Periodograma del modelo indica que el residuo no presenta valores que puedan repetirse, es decir, no presenta
periodicidad y se asume que es aleatorio.
Gráfico 4: Gráfico Q-Q de los residuos
En cuanto a la normalidad del modelo, el gráfico Q-Q plot evidencia la falta de esta. En el sector inferior
izquierdo se hallan puntos que no se ajustan a una distribución normal y en la parte superior derecha los puntos
se alejan cada vez más de ésta. En general los residuos no se encuentran en una disposición alrededor de la
diagonal que haga pensar que son normales.

Gráfico 5: Gráfico de variable estimada vs. observada

El modelo, en general, predice de buena forma lo que ocurrirá con el crecimiento económico, pero existen datos
que se alejan bastante de la predicción.

Gráfico 6: Gráfico de variable estimada vs. observada contra el tiempo

Se observa que el modelo se ajusta bastante bien al modelo observado presentando pequeñas diferencias al inicio
del periodo a estimar.

4. Explicación de los coeficientes determinados (en base al modelo log-log)

El modelo particular linealizado de la función Cobb-Douglas obtenido para Suecia fue el siguiente:

^l_Y = 0,790 + 0,842*l_K + 0,303*l_L

(11,0) (0,106) (0,871)

T = 26, R-cuadrado = 0,950

(Desviaciones típicas entre paréntesis)

Y sus interpretaciones son:

β0: Logaritmo de la productividad total de los factores = 0,790 correspondiente al consumo autónomo de Suecia.
β1: Factor de distribución asociado al capital = 0,842
“Una variación del 1% en la variable independiente logaritmo de la formación del capital fijo está asociada
con una variación en la variable dependiente logaritmo del producto interno bruto de un 0,842%”.
β2: Factor de distribución asociado al trabajo = 0,303
“Una variación del 1% en la variable independiente logaritmo de la población activa está asociada con una
variación en la variable dependiente logaritmo del producto interno bruto de un 0,303%”.

Para conocer que tipos de rendimientos posee el modelo se suman β 1 y β2 lo que quedaría como:
 β1 + β2 = 0,842 + 0,303 = 1,145
Por lo tanto
β1 + β 2 > 1

Al resultar la sumatoria mayor a 1 se concluye que el modelo tiene rendimientos crecientes de escala.

5. Una estimación del crecimiento económico del país para el año siguiente al último dato disponible
suponiendo que el factor capital crezca un 2% y el factor trabajo un 1,5%.

Como se señaló anteriormente, al ser un modelo log-log los coeficientes de las variables son a su vez las
elasticidades de ellas por lo tanto el crecimiento económico para año 2020, quedaría de la siguiente forma:
^l_Y = 0,790 + 0,842*2% + 0,303*1,5%
^l_Y = 2,9285%

El crecimiento esperado para Sucia, en relación al modelo planteado, para el año 2020 sería de un 2,9285%.
 Conclusiones

En primer lugar, al considerar las características que deben cumplir los residuos en un modelo econométrico
(distribución normal e independientes entre sí) y el análisis de los residuos realizado, es posible deducir que los
residuos del modelo linealizado de la función Cobb-Douglas no cumplen con todas las propiedades que debieran
cumplir. Estos residuos no presentan una distribución normal, si tienen una disposición aleatoria, existen rasgos
de autocorrelación y pero no de periodicidad resultando en no necesariamente un mal modelo, pero en uno que
se encuentra sesgado rompiendo con la confiabilidad de los coeficientes

En segundo lugar, en relación con los supuestos del modelo para que este sea válido, Gretl arrojó que los
coeficientes determinados son distintos a cero, los coeficientes en su conjunto son distintos a cero, pero el
residuo, como se estableció anteriormente, no presenta una distribución normal. Al no cumplirse el último
supuesto es posible concluir que el modelo linealizado no es válido. Además, entre las dos variables
independientes, una de ella no presentaba un alto grado de explicativo del comportamiento de la variable
dependiente.

En tercer lugar, para evaluar si el modelo estimado linealizado puede predecir correctamente el crecimiento
económico de Suecia se presenta el siguiente gráfico:
 Gráfico 7: Gráfico de predicción del modelo log-log entre los años 2016 al 2018
Como se dijo al inicio de este trabajo, del total de observaciones se tomó una muestra dejando fuera de esta los

últimos 3 años con el propósito de evaluar el poder predictivo del modelo econométrico presentado.
El área sombreada corresponde a los años dejados fuera de la muestra (2016 al 2018) para el cual Gretl entrega
un error absoluto medio de 0,052865 por lo tanto el modelo entregó resultados cercanos a los reales.

A modo de resumen, el modelo linealizado de la función Cobb-Douglas de Suecia presenta varios fallos en el
cumplimiento de las propiedades del residuo y en los supuestos que hacen de este uno válido. A pesar de
acercarse a los valores reales al hacer la predicción, no significa que pueda ser considerado un modelo fiable o
válido para ser utilizado como herramienta predictiva.
 Referencias

Larson, S. R., & Weibull, J. (2020). Sweden. Retrieved March 21, 2020, from
https://www.britannica.com/place/Sweden
National Foreign Assessment Center (U.S.), & United States. (2020). The World Factbook 2020. Washington
D.C.: Central Intelligence Agency. Retrieved from https://www.cia.gov/library/publications/the-world-
factbook/geos/sw.html
Stock, J. H., & Watson, M. M. (2012). Introducción a la Econometría. Pearson Education, S.A.
Grupo Banco Mundial. (n.d.). Banco Mundial. Retrieved from https://datos.bancomundial.org/
 Anexos
year K L Y
1960 4608507703 15822585034
1961 5141832723 17212686615
1962 5702103603 18667251380
1963 6296183935 20204870630
1964 7116507966 22532416750
1965 7866671035 24795499686
1966 8592938710 26971486546
1967 9339034479 29275995675
1968 9536044434 31066819929
1969 10058184348 33738102482
1970 10921236469 37780565240
1971 11619781404 41226082639
1972 13842624055 48553327545
1973 16562875301 58918580977
1974 18070046313 65472846353
1975 22102574057 82206762873
1976 24128459629 88630408366
1977 25424181408 93695265976
1978 25890895784 103587000000
1979 31203722306 122376000000
1980 36625638855 140929000000
1981 31447861002 128625000000
1982 27539170200 113444000000
1983 25673840670 104155000000
1984 27137663447 108307000000
1985 29750667779 113189000000
1986 37499678674 149266000000
1987 47486338354 181511000000
1988 56063600078 205292000000
1989 64583307543 216164000000
1990 76641062884 4743268 259702000000
1991 72016529888 4726207 271984000000
1992 65726734984 4634766 281993000000
1993 41562170774 4533403 211210000000
1994 44857827890 4510507 227272000000
1995 53118612704 4563210 265393000000
1996 59527288995 4556818 289756000000
1997 54160630788 4529644 266384000000
1998 57075938062 4517995 268916000000
1999 59537301510 4544043 272293000000
2000 58956582480 4513479 261337000000
2001 55334540279 4560921 241019000000
2002 59112672151 4578454 265336000000
2003 72835907646 4604437 332269000000
2004 84737307624 4616940 382624000000
2005 88402804726 4688555 389752000000
2006 98852159063 4750136 420224000000
2007 119417352193 4824803 487973000000
2008 127990775440 4892191 515414000000
2009 98987300426 4908160 435114000000
2010 112659767935 4944327 495329000000
2011 132761876798 4999694 572744000000
2012 126487379673 5035034 550927000000
2013 132584549672 5099246 584638000000
2014 136110955233 5142771 580249000000
2015 119684771764 5185411 503651000000
2016 124692132574 5249021 515744000000
2017 136023386352 5334259 540545000000
2018 143765932044 5398663 556086000000
2019 5434780